在CT剂量学中使用合成数据训练剂量估计神经网络
医学物理
2026-01-15 v1
摘要
个性化计算机断层扫描（CT）剂量学在评估患者特异性辐射暴露、支持风险评估和优化临床协议方面具有巨大潜力。本研究旨在评估合成解剖数据在改进基于机器学习的个性化CT剂量学方面的潜力。本文研究了将合成人体几何结构与真实患者数据相结合，是否能在满足IAEA TRS-457中概述的不确定性要求的同时，提高CT器官剂量估计的模型准确性和泛化能力。使用包含不同比例真实数据和合成数据的数据集来训练用于器官剂量预测的深度学习模型。合成数据集由具有受控器官体积和身体分布的计算人体模型生成。实现了专门的模型不确定性评估方法，以量化预测可靠性并验证是否符合TRS-457的准确度限值。比较了不同训练数据组合下的模型性能和不确定性，包括仅在真实患者数据上训练的模型。使用经过验证的Monte Carlo模拟作为基线。仅在合成数据上训练的模型表现出有限的预测准确性，特别是对于小器官或外周器官。仅纳入10%的真实患者数据就能显著改善统计准确性和不确定性估计，实现与仅使用真实数据模型相当的性能。混合训练方法提高了在不同解剖结构上的鲁棒性，同时保持符合TRS-457的不确定性水平（成人k=2不确定性<20%）。结果表明，真实数据与合成数据相结合，配合系统的不确定性评估，支持了CT剂量学模型的开发，同时减少了所需的真实数据量。
引用
@article{arxiv.2601.09235,
title = {Use of synthetic data for training dose estimation neural networks in CT dosimetry},
author = {Marie-Luise Kuhlmann and Jörg Martin and Stefan Pojtinger},
journal= {arXiv preprint arXiv:2601.09235},
year = {2026}
}